Earthquake aftershock forecasting with conditional generative models

Cuando un terremoto masivo golpea, el suelo no simplemente se queda en silencio. Durante horas, días y, a veces, años después, la corteza continúa sacudiéndose, liberando miles de temblores más pequeños conocidos como réplicas. Estos siguen un ritmo predecible: ocurren con mayor frecuencia justo después del evento principal y se desvanecen gradualmente, mientras que sus ubicaciones tienden a agruparse a lo largo de la falla específica que se rompió. Los científicos han utilizado durante mucho tiempo reglas estadísticas para suponer dónde y cuándo podrían ocurrir estas réplicas, tratando cada temblor como un punto aislado en una vasta nube aleatoria. Estos métodos tradicionales funcionan bien en promedio, pero a menudo fallan al capturar los detalles desordenados del mundo real sobre cómo se desarrolla una secuencia específica. Les cuesta predecir la forma exacta de la zona de réplicas o cuántos temblores producirá una secuencia determinada, suavizando a menudo los patrones dentados alineados con la falla que definen el trasfondo de un terremoto real.

Un investigador de la Universidad de California, Berkeley, ha desarrollado una nueva forma de pronosticar estas secuencias que va más allá de las simples estadísticas. En lugar de intentar predecir los temblores individuales uno por uno, entrenó un modelo computacional para imaginar el paisaje futuro completo de la actividad sísmica como una única imagen en evolución. Este nuevo enfoque, llamado QuakeGen, aprende de vastas cantidades de datos históricos de terremotos para comprender cómo las réplicas se propagan en el espacio y el tiempo. Al ser probado contra los métodos estándar utilizados por las agencias gubernamentales, este nuevo modelo demostró ser más preciso para señalar dónde se agruparían las réplicas y cómo decaería la actividad. Recreó con éxito las formas largas y estrechas de las zonas de réplicas que siguen las fallas reales, un detalle que los modelos más antiguos suelen perder, reemplazándolo con conjeturas circulares y vagas.

La idea central detrás de este trabajo es un cambio de perspectiva. El pronóstico tradicional trata una secuencia de terremotos como una lista de eventos separados, utilizando fórmulas matemáticas fijas para estimar cuántos ocurrirán y dónde. Estas fórmulas asumen que las réplicas se propagan uniformemente en todas las direcciones desde el sismo principal, como ondas en un estanque. Sin embargo, los terremotos reales no se comportan de esta manera. Las réplicas suelen alinearse a lo largo de la falla rota, creando grupos largos y estirados que reflejan la geometría de la ruptura en las profundidades del subsuelo. El investigador se dio cuenta de que intentar predecir cada evento individualmente limitaba su capacidad para ver este panorama general. En su lugar, decidió tratar el pronóstico como un campo, de forma similar a cómo los meteorólogos mapean el clima. Quería un modelo que pudiera generar un mapa completo de la actividad sísmica futura, mostrando tanto el número de temblores esperados como el tamaño del más grande en cada pequeña parcela de terreno.

Para construir este sistema, el investigador utilizó un tipo de inteligencia artificial conocida como modelo de difusión. Esta tecnología, que recientemente ha revolucionado campos como la predicción meteorológica y el análisis de la estructura de proteínas, funciona aprendiendo a revertir un proceso de adición de ruido. Imagine una fotografía clara que es cubierta lentamente por estática hasta convertirse en un grano puro y sin sentido. Un modelo de difusión aprende cómo tomar ese grano y, paso a paso, eliminar el ruido para revelar la imagen original. En este estudio, la "imagen" no es una fotografía, sino un mapa de actividad sísmica. El modelo comienza con un mapa vacío y ruidoso y, guiado por la información de lo que ya ha sucedido, lo refina gradualmente hasta convertirlo en un pronóstico claro de lo que sucederá a continuación.

El investigador entrenó su modelo, QuakeGen, con dos tipos diferentes de datos para ver qué tan bien podía generalizar. Primero, utilizó un conjunto de datos global que contenía miles de sismos principales y sus réplicas de todo el mundo, abarcando desde 1990 hasta 2023. Le enseñó al modelo a observar la actividad sísmica en los días previos a un gran terremoto y las primeras horas de réplicas inmediatamente después. Basándose en esta información limitada, el modelo debía predecir el patrón de las réplicas para los siguientes días, semanas o incluso meses. Luego, probó el modelo con 80 terremotos importantes que ocurrieron en 2024 y 2025, los cuales el modelo nunca había visto antes. En estas pruebas, QuakeGen superó al modelo operativo estándar utilizado por el Servicio Geológico de los Estados Unidos. Mientras que el modelo tradicional producía un halo circular y amplio de actividad predicha, QuakeGen identificó correctamente las formas alargadas y alineadas con la falla de las zonas de réplicas. Por ejemplo, tras un terremoto de magnitud 7.5 en Japón, el nuevo modelo reprodujo el tramo de 150 kilómetros de réplicas a lo largo de la falla, mientras que el modelo antiguo extendió la predicción en un círculo amplio.

La segunda prueba se centró en una sola región: el sur de California. Aquí, el objetivo no era solo predecir las réplicas de un gran sismo, sino pronosticar la tasa diaria de terremotos en un área grande a lo largo del tiempo. El investigador entrenó su modelo con un catálogo altamente detallado de sismicidad en la región, que incluye muchos temblores pequeños que los detectores estándar suelen pasar por alto. Luego, le pidió al modelo que predijera los conteos diarios de terremotos para subregiones específicas conocidas por su actividad frecuente, como el Mar de Salton y la falla de San Jacinto. En este entorno, el modelo igualó el rendimiento de los mejores modelos estadísticos ajustados, que han sido cuidadosamente calibrados para esa área específica. Esto es significativo porque sugiere que un único modelo basado en datos puede aprender el comportamiento complejo de todo un sistema de fallas sin necesidad de ser recalibrado manualmente para cada nueva región.

Uno de los aspectos más llamativos del nuevo modelo es cómo maneja la incertidumbre. Debido a que el futuro de una secuencia de terremotos es intrínsecamente impredecible, el modelo no produce una sola respuesta. En su lugar, genera un conjunto de 100 futuros posibles para cada pronóstico. Cada uno de estos 100 mapas es una realización válida de lo que podría suceder, mostrando diferentes ubicaciones específicas para los temblores individuales. Cuando el investigador promedió estos 100 mapas, obtuvo una imagen suave de la tasa general de actividad, la cual coincidió estrechamente con los patrones observados en la naturaleza. Este enfoque permite a los pronosticadores ver no solo el resultado más probable, sino toda la gama de posibilidades, proporcionando una imagen más clara de dónde se concentra el riesgo.

El estudio también exploró la capacidad del modelo para predecir el tamaño de la mayor réplica esperada en cualquier área dada. Los métodos tradicionales suelen tener dificultades con esto, ya que dependen de promedios estadísticos que pueden verse sesgados por áreas vacías. QuakeGen, sin embargo, genera el conteo de temblores y el tamaño del más grande simultáneamente. Al observar el percentil 90 de sus predicciones, el modelo pudo concentrar el pronóstico de los temblores más grandes a lo largo de la falla fracturada, coincidiendo con la observación del mundo real de que las réplicas más grandes tienden a ocurrir precisamente donde ocurrió la ruptura principal. Esta predicción conjunta de frecuencia y magnitud ofrece una visión más completa y realista del peligro.

A pesar de estos éxitos, el investigador reconoce que el modelo tiene límites. Depende fuertemente de la calidad y cantidad de los datos con los que es entrenado. Para los terremotos más grandes, que son raros, el modelo a veces subestima el número total de réplicas o no logra capturar la extensión total de la zona de ruptura. Esto se debe a que el modelo ha visto pocos ejemplos de estos eventos masivos durante su entrenamiento. El autor sugiere que las mejoras futuras podrían provenir de la combinación de este enfoque basado en datos con simulaciones basadas en la física para generar más ejemplos de grandes terremotos, o de alimentar al modelo con información adicional, como la geometría exacta de la ruptura de la falla o mediciones de la deformación del terreno.

El trabajo representa un avance significativo en la forma en que los científicos abordan el pronóstico de terremotos. Al alejarse de las reglas fijas y las predicciones de eventos aislados, y hacia el aprendizaje de los patrones complejos y evolutivos de los campos sísmicos directamente de los datos, el investigador ha creado una herramienta que captura la verdadera naturaleza de las secuencias de terremotos. El modelo no solo supone; aprende la estructura subyacente de cómo se comportan las fallas. Si bien no puede predecir cuándo ocurrirá el próximo gran terremoto, ofrece una visión mucho más nítida y precisa de lo que sucede después de uno, ayudando a las comunidades a comprender la forma y la escala de los temblores que le siguen.